- 语言趋同和趋异的复制子-变异子动力学;
- 实际视角中重温图神经网络和距离编码;
- 通过混合正则谱聚类估计网络成员;
- 充电即服务：轻型电动汽车的按需电池交付，用于出行服务;
- 使用机器学习改进流行病测试和遏制策略;
- 谁杀了礼来凯恩？将知识图谱用于犯罪小说的案例研究;
- 强制性口罩佩戴延迟的影响-假设分析;
- 最优供应网络中不连续过渡到回路形成;
- 评估当地隔离后智利流动性变化的数据集;
- xFraud：异构图上可解释的欺诈交易检测;
语言趋同和趋异的复制子-变异子动力学
原文标题： Replicator-mutator dynamics of linguistic convergence and divergence
地址： http://arxiv.org/abs/2011.11768
作者： Henri Kauhanen
摘要： 人们倾向于将语言的使用与自身群体的语言行为保持一致，并同时偏离群体的语言使用。本文提出将这种社会语言身份维持现象建模为一种演化博弈，其中个体参与其中，动态由复制者-变异者方程的多种群扩展提供。使用线性化，可以找到博弈的所有动态平衡在全对称两种群特例中的稳定性。然后将该模型应用于青少年社会语言行为的经验测试案例。发现，根据经验证明的总体状态在控制语言突变率的参数的独立合理值下对应于博弈的多个稳定均衡之一。用数值解法探索了一个不对称的三种群博弈扩展，进一步预测了系统收敛到哪个特定平衡。
实际视角中重温图神经网络和距离编码
原文标题： Revisit graph neural networks and distance encoding in a practical view
地址： http://arxiv.org/abs/2011.12228
作者： Haoteng Yin, Yanbang Wang, Pan Li
摘要： 图神经网络（GNN）广泛用于基于图结构化数据的应用程序中，例如节点分类和链路预测。但是，GNN通常被用作黑盒工具，很少对其是否适合某些可能具有各种属性的应用进行深入研究。最近提出的技术距离编码（DE）（Li et al.2020）神奇地使GNN在许多应用中都能很好地工作，包括节点分类和链路预测。 （Li et al.2020）中提供的理论通过证明DE提高了GNN的表示能力来支持DE。但是，该理论如何相应地辅助应用尚不清楚。在这里，我们从更实际的角度重新审视GNN和DE。我们想解释一下DE如何使GNN适合节点分类和链路预测。具体地，对于链路预测，DE可以被视为在一对节点表示之间建立相关性的方式。对于节点分类，由于不同的分类任务可能持有表示不同物理含义的节点标签，因此问题变得更加复杂。我们关注于最广泛考虑的节点分类方案，并将节点标签分为社区类型和结构类型两种类型，然后分析GNN用来预测这两种类型标签的不同机制。我们进行了广泛的实验，以比较GDE与DE配对的八种不同配置，以预测八幅现实世界中的节点标签。结果证明了DE预测结构类型标签的统一有效性。最后，我们得出关于在节点分类任务中如何正确使用GNN和DE的三个结论。
通过混合正则谱聚类估计网络成员
原文标题： Estimating network memberships by mixed regularized spectral clustering
地址： http://arxiv.org/abs/2011.12239
作者： Huan Qing, Jingli Wang
摘要： 混合成员社区检测是网络分析中的一个难题。在这里，在度校正后的混合隶属度（DCMM）模型下，我们提出了一种称为混合正则化谱聚类（简称Mixed-RSC）的有效方法来估计隶属度。混合RSC是RSC方法的扩展（Qin和Rohe，2013），用于处理混合成员社区检测问题。我们表明该算法在温和条件下是渐近一致的。与许多基准方法相比，该方法已成功应用于小规模的模拟和大量的经验网络，其结果令人鼓舞。
充电即服务：轻型电动汽车的按需电池交付，用于出行服务
原文标题： Charging-as-a-Service: On-demand battery delivery for light-duty electric vehicles for mobility service
地址： http://arxiv.org/abs/2011.10665
作者： Shuocheng Guo, Xinwu Qian, Jun Liu
摘要： 这项研究提出了一种名为“充电即服务（CaaS）”的，为电动汽车提供动力的创新解决方案，该解决方案涉及轻型电动汽车（LDEV）在“移动即服务（ MaaS）行业。与MaaS相似，CaaS的核心思想是分派携带模块化电池组（MBU）的服务车辆（SV），以为LDEV提供按需电池交付的移动服务。由于缺乏充电基础设施以及等待和充电时间过长，CaaS系统有望解决MaaS行业大规模采用LDEV的主要瓶颈。开发了基于混合主体的仿真模型（HABM），以使用SV主体对CaaS系统的动力学进行建模，并引入了基于行程的固定充电概率分布，以模拟LDEV的充电需求的产生。进一步开发了两种调度算法来支持CaaS的最佳运行。通过假设纽约市（NYC）遵循相同的每日出行方式的所有13,000辆黄色出租车的电动化来验证模型。在各种SV车队规模和调度策略下分析了多种情况。结果表明，最佳部署250辆SV可以为纽约的LDEV机队提供服务，平均等待时间为5分钟，将行进距离节省到每分钟50英里以上，并获得高达每分钟50美元的可观利润。这项研究为部署全市CaaS系统为电力MaaS行业提供动力的可行性，服务效率和财务可持续性提供了重要见解。
使用机器学习改进流行病测试和遏制策略
原文标题： Improving epidemic testing and containment strategies using machine learning
地址： http://arxiv.org/abs/2011.11717
作者： Laura Natali, Saga Helgadottir, Onofrio M. Marago, Giovanni Volpe
摘要： 控制疫情暴发需要付出巨大的社会和经济代价。具有成本效益的遏制策略依赖于有效地识别受感染的个体，从而尽可能地利用可用的测试资源。因此，快速确定最佳测试策略至关重要。在这里，我们证明了机器学习可用于识别哪些个人最适合进行测试，并自动，动态地使测试策略适应疾病爆发的特征。具体来说，我们使用原型易感性感染恢复（SIR）模型模拟爆发，并使用有关第一个确诊病例的数据来训练神经网络，以学习对其余人群进行预测。使用这些预测，我们可以比标准方法更有效，更快速地控制爆发。此外，我们证明了在有可能再次感染（SIRS模型）以有效根除地方性疾病时也可以使用此方法。
谁杀了礼来凯恩？将知识图谱用于犯罪小说的案例研究
原文标题： Who killed Lilly Kane? A case study in applying knowledge graphs to crime fiction
地址： http://arxiv.org/abs/2011.11804
作者： Mariam Alaverdian, William Gilroy, Veronica Kirgios, Xia Li, Carolina Matuk, Daniel Mckenzie, Tachin Ruangkriengsin, Andrea Bertozzi, Jeffrey Brantingham
摘要： 我们目前对电视节目Veronica Mars第一季制作的知识图谱进行初步研究，该图跟随同名年轻的私人侦探在试图解决谋杀她最好的朋友Lilly Kane的事件时进行。我们讨论了各种用于挖掘线索和潜在犯罪嫌疑人的知识图的技术。我们还将讨论从电视节目中共同构建知识图的最佳实践。
强制性口罩佩戴延迟的影响-假设分析
原文标题： Implications of Delay in Compulsory Mask Wearing -- A What-if Analysis
地址： http://arxiv.org/abs/2011.11920
作者： Brandon Tay Kaiheng, Carvalho Andrea Roby, Jodi Wu Wenjiang, Da Yang Tan
摘要： 我们调查了在新加坡背景下强制戴口罩延迟对社区中COVID-19传播的影响。通过使用基于SEIR的改进隔室模型，我们通过一系列基于场景的分析，着重于宏观人群水平分析强制口罩戴用延迟与最大感染量之间的关系。我们的分析表明，集体屏蔽可以有意义地减少社区中COVID-19的传播，但前提是必须在检测到首次感染后延迟80-100天之前的关键时间范围内实施，并严格执行以确保依从性在整个过程中。我们还确定了所谓的无回报点，即约100天的延迟阈值，该阈值导致掩盖实施对最大感染值的影响很小。
最优供应网络中不连续过渡到回路形成
原文标题： Discontinuous transition to loop formation in optimal supply networks
地址： http://arxiv.org/abs/2011.11960
作者： Franz Kaiser, Henrik Ronellenfitsch, Dirk Witthaut
摘要： 最优供应网络的结构和设计是复杂网络研究中的重要课题。自然和人为网络的一个基本特征是回路的出现和控制回路形成的权衡因素：在供应网络中增加冗余的边成本高昂，但却有利于恢复。当新边的成本很小或输入不确定时，通常会形成循环。在这里，我们进一步阐明了向环形成的过渡。我们证明，在减少边损坏模型和波动水槽模型的新边成本时，循环会不连续地出现。在数学上，新的循环显示为通过鞍形节点分叉形成。我们的分析允许启发式地预测第一个环路出现的位置和成本。最后，我们揭示了中介度度量与最佳树网络之间的密切关系。我们的结果可用于理解现实世界中生物网络中环形成的演变。
评估当地隔离后智利流动性变化的数据集
原文标题： A dataset to assess mobility changes in Chile following local quarantines
地址： http://arxiv.org/abs/2011.12162
作者： Luca Pappalardo, Giuliano Cornacchia, Victor Navarro, Loreto Bravo, Leo Ferres
摘要： 为了对抗COVID-19大流行，大多数国家已经实施了非药物干预措施，例如戴口罩，身体疏远，锁定装置和旅行限制。由于它们的经济和后勤影响，在隔离期间跟踪流动性变化对于评估其功效和预测病毒传播至关重要。智利是世界上受灾最严重的国家之一，与许多其他国家不同，它在更本地化的级别实施隔离，关闭了小型行政区域，而不是整个国家或大区域。鉴于这些本地隔离所带来的非显而易见的影响，在智利，追踪流动性变得更加重要。为了评估智利本地隔离区对人类流动性的影响，我们分析了Telef'onica Chile提供的手机数据集，该数据集包含310亿个扩展详细记录和540万用户，涵盖2020年2月26日至9月20日从这些记录中，我们得出三个流行病学相关指标，描述了社区之间和社区之间的流动性。提供的数据集可用于对抗COVID-19流行病，特别是对于局部隔离区的理解程度较低的效果。
xFraud：异构图上可解释的欺诈交易检测
原文标题： xFraud: Explainable Fraud Transaction Detection on Heterogeneous Graphs
地址： http://arxiv.org/abs/2011.12193
作者： Susie Xi Rao, Shuai Zhang, Zhichao Han, Zitao Zhang, Wei Min, Zhiyao Chen, Yinan Shan, Yang Zhao, Ce Zhang
摘要： 在在线零售平台上，至关重要的是积极检测欺诈性交易的风险，以改善我们的客户体验，最大程度地减少损失并防止未经授权的退款。传统的基于规则的方法和简单的基于特征的模型要么效率低下，要么脆弱且无法解释。事务日志的异构类型实体之间存在的图结构信息丰富，难以伪造。为了利用异构图关系并丰富可解释性，我们介绍了xFraud，这是一种可解释的欺诈交易预测系统。 xFraud由一个预测器和一个解释器组成，该预测器通过自注意的异构图神经网络从异构交易图中学习恶意交易检测的表示形式，以及一个解释器，该解释器从图中生成有意义且易于理解的解释，以促进业务部门的进一步处理。在xFraud在两个具有多达一千万笔交易的真实交易网络上进行的实验中，我们能够获得曲线下的面积（AUC）得分，其性能优于基线模型和图嵌入方法。此外，我们展示理解释器如何使对模型预测的理解受益，并增强了现实世界中欺诈交易案例的模型可信度。
声明：Arxiv文章摘要版权归论文原作者所有，机器翻译后由本人进行校正整理，未经同意请勿随意转载。本系列在微信公众号“网络科学研究速递”（微信号netsci）和个人博客 https://www.complexly.cn （提供RSS订阅）进行同步更新。个性化论文阅读与推荐请访问 https://arxiv.complexly.cn 平台。